CN113533945A

CN113533945A - 一种基于二维卷积神经网络的模拟电路故障诊断方法

Info

Publication number: CN113533945A
Application number: CN202110731334.6A
Authority: CN
Inventors: 尚玉玲; 范海花; 李春泉; 侯杏娜; 曾丽珍; 韦淞译; 叶晓静
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2021-06-30
Filing date: 2021-06-30
Publication date: 2021-10-22

Abstract

本发明公开了一种基于二维卷积神经网络的模拟电路软故障诊断方法及其对应网络模型的设计方法。将电路的一维输出电压数据进行矩阵重塑，转换成为二维灰度图，称为故障特征灰度图。使用故障特征灰度图作为二维卷积神经网络的输入数据，训练网络，最终建立一个模拟电路的故障诊断模型。本发明将一维电压信号处理问题转化为图像处理问题，使用二维卷积运算自动提取故障特征，即使在样本数据量较大时，也能实现较好的故障特征分离效果，从而得到较好的故障诊断精度。

Description

一种基于二维卷积神经网络的模拟电路故障诊断方法

技术领域

本发明属于模拟电路故障诊断领域，涉及了一种基于二维卷积神经网络对模拟电路进行软故障诊断的方法。

背景技术

模拟电路因为存在非线性、故障多样性、容差性差等问题，其故障诊断一直没有完美的解决方案。近年来，得益于传感器技术和大数据存储的快速发展，基于人工智能的方法成为模拟电路故障诊断领域中的研究的热点。基于人工智能的模拟电路故障诊断方法分为特征提取和分类两个模块。早期提出的诊断方法中，故障特征提取方法一般使用傅里叶变换、小波变换、主元分析等信号处理方法，这些方法属于人工的特征提取方法。分类器一般使用小波神经网络、BP神经网络、各种优化的支持向量机（SVM）和极限学习机（ELM）等。人工特征提取方法+分类器的方法，存在其自身的局限性。当模拟电路的复杂程度变大时，其故障样本数量也随之变大，特征提取后仍会存在不少的故障模糊集，特征分离效果变差，直接影响分类器的分类结果，整个电路的故障诊断准确度明显下降。

卷积神经网络适用于数据量大的样本集，其中的卷积层能够自动提取故障特征，并且具有降噪的功能。当模拟电路变复杂时，使用卷积神经网络进行故障诊断仍可以保持较高的诊断精度。一维卷积神经网络中，一维卷积核仅在一个方向上滑动窗口进行卷积操作。二维卷积网络中，卷积核在长和宽两个方向上同时滑动窗口进行卷积操作，特征提取的范围更大。因此，有必要提出一种基于二维卷积神经网络的故障诊断方法，来进一步提升模拟电路故障的诊断效果。

发明内容

在本发明针对非线性模拟电路故障诊断中，故障特征提取和故障定位困难的问题，提出一种基于二维卷积神经网络的诊断方法，将模拟电路的输出电压数据样本转换成灰度图，称为故障灰度图，从图像处理的角度，利用二维卷积神经网络对这些故障灰度图进行故障特征提取和分类。使用卷积神经网络自动提取故障特征，特征分离效果要优于人工特征提取方法，特别是在样本数据量大的情况下。

为达到上述目的，本发明将采用以下的技术方案：

基于二维卷积神经网络的模拟电路故障诊断方法中，包括样本数据获取、样本数据处理、网络模型搭建与训练。

所述的样本数据获取，使用pspice仿真软件对被测电路（可选择经典电路进行实验，比如sallen-key带通滤波器、四运放双二阶高通滤波器）进行仿真，构造被测电路的（单）故障集，分别对每一种故障情况进行多次（最好三百次以上）蒙特卡洛分析，每一次蒙特卡洛分析的输出电压对应一个样本。最终得到的总样本数量为故障数量*蒙特卡洛分析次数。

所述的样本数据处理，对于每个数据样本，截取1024个采样点保留，即每个样本的维数是1024维。选取总样本数量的80%作为神经网络的训练集，20%作为测试集。通过矩阵重塑，将所有的样本，即1*1024大小的一维矩阵转换成32*32的二维方形矩阵。

所述的网络模型搭建与训练，包括三个卷积层、三个池化层和两个全连接层。利用TensorFlow框架搭建网络结构，网络输入层允许输入的矩阵大小为32*32*1。计算并绘制出训练集和测试集的loss和accuracy曲线，计算precision、recall和F1的值，作为网络模型的评价指标。

与现有的技术相比，本发明所产生的有益效果是：

本发明所提供的一种模拟电路故障诊断方法，能够提高故障特征提取的效果，进而提高最终的故障诊断精度，即使应用在复杂模拟电路的故障诊断中，也能保持较高的诊断精度。

附图说明

图1为本发明一种应用于模拟电路故障诊断的整体过程示意图。

图2为sallen-key带通滤波器电路电路图，为本发明的实验对象。

图3为sallen-key带通滤波器电路的故障集对应的故障值及其对应标签示意图。

图4为本发明所搭建的二维卷积神经网络结构图。

具体实施方式

下面结合附图和实施例对本发明的具体实施方式进一步说明，但不是对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例：

在PSPice软件对sallen-key带通滤波器进行仿真，如图2所示，图中展示了各元件标称值及电路所输入的激励信号参数，电路中的电阻和电容的容差分别定为5%和10%。假设元件参数偏离标称值±50%，则为软故障。电阻故障范围是［50%X, 95%X］［105%X, 150%X］，电容故障范围是［50%X, 90%X］［110%X, 150%X］，其中，X为元件标称值。在PSPice软件中对电路进行灵敏度分析，得出该电路的灵敏元件为C1、C2、R2、R3，所以该电路的单故障集合为{C1↓,C1↑,C2↓,C2↑,R2↓,R2↑,R3↓,R3↑,正常}，一共9种情况。

各个灵敏度元件所对应的故障值及每种故障对应的标签如图3所示，其中，↓和↑分别表示元件参数高于和低于标称值的50%。对9种故障类型分别进行400次蒙特卡罗分析，采集2个周期内（大概2ms）的输出电压数据并导出保存，作为原始数据。针对每个故障样本，截取其第二个周期的波形数据，共1024个采样点的输出电压。即总数据样本有3600个，每个样本的维数为1024维，大小为1*1024。从数据集中选取75%作为神经网络的训练集样本，25%作为测试集样本。将大小为1*1024的样本转换成32*32的二维矩阵，再转换成灰度矩阵。作为神经网络的输入时，每个样本应转换成32*32*1的张量形式，其中第三维为1表示输入的数据为灰度图。

利用TensorFlow（TensorFlow2.1版本）框架搭建二维卷积神经网络模型，程序的开发环境为pycharm，开发语言为Python。网络模型包括三个卷积层、三个池化层、两个全连接层，如图4所示。其中，三个卷积层的卷积核大小均为3*3，数量均为32个，使用relu函数作为激活函数。池化矩阵为2*2 ，池化类型选择最大池化，全零填充。学习率为0.001。网络的第一个全连接层的神经元数量为256，第二个全连接层的神经元数量为9，该电路共有9种故障情况，因此网络模型应该进行9分类。使用训练集数据训练模型，测试集数据测试模型的效果。绘制模型的loss和accuracy曲线，以更方便地分析网络的学习趋势，计算precision、recall、F1等参数，以评定网络最终分类效果。

Claims

1.一种基于二维卷积神经网络的模拟电路故障诊断方法，包括样本数据获取、样本数据处理、网络模型搭建与训练，其特征在于，将一维的电压信号转换成二维的灰度图，将一维序列处理问题转换成图像处理问题，利用二维卷积神经网络在图像处理领域的优势，对模拟电路故障进行有效诊断。

2.根据权利要求1一种基于二维卷积神经网络的模拟电路故障诊断方法，其特征在于，所述的样本数据获取，使用PSPice软件仿真被测电路，经过灵敏度分析确定影响电路的敏感元件后，构造故障集，分别对故障集中的每一种故障进行多次蒙特卡洛分析，导出输出电压数据并保存；每一次蒙特卡洛分析的结果代表一个样本，最终得到的总样本数量为故障数量*蒙特卡洛分析次数。

3.根据权利要求1一种基于二维卷积神经网络的模拟电路故障诊断方法，其特征在于，样本数据处理，对于每个数据样本，截取1024个采样点保留，每个样本的维数为1024维；给每一种故障按照阿拉伯数字的顺序贴上标签，每一种故障类型对应一个数字（比如，某被测电路有9种故障情况，就分别给这9种故障贴上1~9的标签）；选取总样本数量的75%作为神经网络的训练集，25%作为测试集；通过矩阵重塑，将所有的样本，即1*1024大小的一维矩阵转换成32*32*1的张量形式，作为神经网络的输入。

4.根据权利要求1一种基于二维卷积神经网络的模拟电路故障诊断方法，其特征在于，所述的网络模型搭建与训练，包括三个卷积层、三个池化层和两个全连接层；网络的开发环境为Pycharm，使用Python语言，利用TensorFlow框架搭建网络结构，网络输入层允许输入的矩阵大小为32*32*1；三个卷积层的卷积核大小均为3*3，数量均为32个，使用ReLU函数作为激活函数；池化矩阵为2*2 ，步长为2，池化类型选择最大池化，全零填充；学习率为0.001；网络的第一个全连接层的神经元数量为256，第二个全连接层的神经元数量取决于被测电路的故障类型数量；计算并绘制出训练集和测试集的loss和accuracy曲线，计算precision、recall和F1的值，作为网络模型的评价指标。